47 lines
2.3 KiB
Markdown
47 lines
2.3 KiB
Markdown
# Агент с RAG‑памятью
|
||
|
||
## Что делает проект
|
||
Реализован AI‑агент, использующий локальное векторное хранилище ChromaDB и Ollama для эмбеддингов. Агент умеет добавлять документы (разбивая их на чанки) и выполнять семантический поиск.
|
||
|
||
## Структура файлов
|
||
| Файл | Назначение |
|
||
|------|------------|
|
||
| `main.py` | Точка входа, демонстрация работы агента. |
|
||
| `requirements.txt` | Пакеты‑зависимости. |
|
||
| `README.md` | Это описание. |
|
||
| `chunker.py` | Разбиение текста на чанки (500/100). |
|
||
| `vector_store.py` | Работа с ChromaDB: добавление и поиск. |
|
||
| `tools.py` | Декорированные инструменты RAG‑агента. |
|
||
| `agent.py` | Создание агента через `create_agent`. |
|
||
| `cli.py` | CLI для интерактивного теста. |
|
||
| `init_documents.py` | Скрипт загрузки всех файлов из каталога в базу. |
|
||
|
||
## Установка
|
||
```bash
|
||
pip install -r requirements.txt
|
||
# Ollama: pull nomic-embed-text (для эмбеддингов)
|
||
```
|
||
|
||
## Примеры использования
|
||
```bash
|
||
python cli.py add path/to/file.txt # Добавить документ
|
||
python cli.py search "Python" # Поиск по базе
|
||
```
|
||
|
||
## Архитектура
|
||
1. **LLM** – `ChatOpenAI` через BroJS, но для эмбеддингов используется Ollama.
|
||
2. **Embeddings** – `OllamaEmbeddings(model="nomic-embed-text")`.
|
||
3. **Vector store** – ChromaDB коллекция «rag_collection» в папке chromadb.
|
||
4. **Chunking** – `RecursiveCharacterTextSplitter(chunk_size=500, chunk_overlap=100)`.
|
||
5. **Tools** – `search_knowledge_base`, `add_to_knowledge_base` с декоратором `@tool`.
|
||
6. **Agent** – `create_agent` с системным промптом и доступом к инструментам.
|
||
7. **CLI** – простая команда‑интерфейс для добавления/поиска.
|
||
---
|
||
|
||
### Тесты
|
||
Для проверки можно запустить:
|
||
```bash
|
||
python cli.py add sample.txt
|
||
python cli.py search "Python"
|
||
```
|